Le désaccord est le signal

Un modèle unique donne un nombre. Plusieurs juges orthogonaux donnent un nombre et une forme : à quel point ils s'accordent, et où ils se séparent. Le médiateur de Ward³ est construit autour de cette seconde chose.

Consensus, et une garde fail-closed

Quand les juges s'alignent, le médiateur émet un verdict de consensus. Quand leur écart par paires dépasse un seuil, il fail-close et lève XAI_DIVERGENCE_HIGH — un état qui dit, en substance : « quelque chose est incohérent ici, à traiter comme suspect ».

Un attaquant discret qui trompe un juge trompe rarement tous les autres dans le même sens : l'évasion tend à élargir la divergence plutôt qu'à s'y cacher. L'attaque devient visible non parce qu'un juge a toujours raison, mais parce que les juges cessent de raconter la même histoire.

De la divergence à un consensus appris

La divergence est le filet ; le verdict du quotidien vient d'un méta-consensus calibré — un petit modèle inspectable sur les scores des juges et un embedding graphe du voisinage de l'hôte. Il est fitté, validé sur l'ordre des features au chargement, et tenu honnête par la même calibration conforme que les juges qu'il lit.

Le résultat est un verdict à la fois appris et borné : il pèse les juges ensemble, mais il ne peut jamais dériver discrètement au-delà du budget de faux positifs qui lui a été donné. Appris là où l'apprentissage aide, contraint là où une garantie compte.

Pourquoi un NDR mono-modèle ne peut pas

Un modèle unique n'a personne avec qui être en désaccord. Son incertitude est la propriété d'un seul point de vue : une erreur confiante ressemble exactement à une bonne réponse confiante. La divergence exige au moins deux lecteurs vraiment différents du même trafic — c'est pourquoi le critère 2 d'ANM dépend du critère 1. On ne mesure pas un désaccord qu'on ne s'est pas donné la capacité d'avoir.